Prediction and phenomenological breakdown of drag for unsteady flows - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2015

Prediction and phenomenological breakdown of drag for unsteady flows

Prévision et décomposition phénoménologique de la traînée pour des écoulements instationnaires

Résumé

Accurate drag prediction is now of a major issue for aircraft designers. Its phenomenological sources need to be identified and quantified for an efficient design process. Far-field methods, which allow such phenomenological drag breakdown, are however restricted to steady flows. This study consists in developing a far-field drag prediction method aiming at a phenomenological breakdown of drag for unsteady flows. The first step has consisted in generalizing the steady formulation of Van der Vooren to unsteady flows, starting from a new rigorous proof. Axes for the improvement of the robustness and physical background have then been explored. Acoustic contributions have in particular been highlighted and quantified. The resulting five-components formulation has then been applied to simple cases, in order to validate as best as possible the phenomenological breakdown. The behavior of the drag components has proved to be consistent with the physics of the flow. Finally, the method has been applied to complex cases in order to demonstrate its capabilities: a 3-D case and a flow simulated by the ZDES method. In the future, it would be interesting to further improve the definition of the induced drag component, for example by using velocity-based formulations. As far as the application cases are concerned, the performance evaluation of a Counter-Rotating-Open-Rotor would strongly benefit from such a method. Unsteady optimization of one of the drag component could also be contemplated. Finally, applications in aeroelasticity or flapping flight would be an interesting perspective.
L'estimation précise de la traînée est aujourd'hui un enjeu majeur pour les avionneurs. Il est nécessaire d'identifier et de quantifier ses sources phénoménologiques dans le cadre d'un processus de design efficace. Les méthodes champ lointain, qui permettent une telle décomposition, sont cependant limitées aux applications stationnaires.Cette étude consiste à développer une méthode d'extraction champ lointain destinée à permettre une décomposition phénoménologique de la traînée pour des écoulements instationnaires. La première étape a consisté à généraliser la formulation stationnaire de Van der Vooren aux écoulements instationnaires. Des axes pour l'amélioration de la robustesse et du contenu physique ont ensuite été explorés, avec la mise en évidence de phénomènes acoustiques. La formulation ainsi obtenue a ensuite été appliquée à des cas tests simples, dans le but de valider la décomposition phénoménologique. Le comportement des composantes de traînée s'est avéré cohérent avec la physique de l'écoulement. Enfin, la méthode a été appliquée à des cas complexes afin de démontrer ses capacités : un cas instationnaire 3D ainsi qu'un écoulement simulé en ZDES.Dans l'avenir, il serait intéressant de continuer à explorer la définition de la composante de traînée induite, par exemple en utilisant les formulations basées sur le vecteur vitesse. En ce qui concerne les cas d'application, l'évaluation de la performance d'un doublet d'hélices contra-rotatives pourrait fortement bénéficier de l'utilisation d'une méthode comme celle-ci. Enfin, des applications en vol d'ailes battantes pourraient être d'intéressantes perspectives.
Fichier principal
Vignette du fichier
these_archivage_3270831o.pdf (16.59 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

tel-01343976 , version 1 (07-07-2017)

Identifiants

  • HAL Id : tel-01343976 , version 1

Citer

Hélène Toubin. Prediction and phenomenological breakdown of drag for unsteady flows. Fluid mechanics [physics.class-ph]. Université Pierre et Marie Curie - Paris VI, 2015. English. ⟨NNT : 2015PA066576⟩. ⟨tel-01343976⟩
329 Consultations
165 Téléchargements

Partager

Gmail Facebook X LinkedIn More